Идеи

Краудтичинг — новое слово в машинном обучении

Далее

Причина медленного прогресса в машинном обучении в том, что никто не научил ИИ учиться.

Ощутимый шаг вперед в машинном обучении 2015 года произошел только в сфере распознавания изображений, потому что уже были огромные базы данных с фотографиями лиц и уже проставленными подписями. Но никто пока не создал таких баз для более сложных задач, например, для вождения автомобилей.

Работа Пранава Раджпуркара и его коллег из Стэнфордского университета может это изменить. Они создали обширную базу данных как раз для задач такого рода. И уже сумели кое-чему научить компьютер.

Идея простая — облегчить людям труд по внесению в базу аннотаций. Решение — компьютерная браузерная игра.

Сначала ученые ездили на своей машине по улицам Калифорнии, собирая данные визуального наблюдения, GPS-навигатора, лазерного сканера и так далее. Затем, на основании этих сведений, они создали виртуальную трехмерную реальность. Для алгоритма ИИ (получившего название Driverseat) была поставлена цель — оценить окружение и определить положение других транспортных средств, полос, въездов и выездов и прочих дорожных условий.

Первой задачей для ИИ стала идентификация полос на дороге — простая задача для человека, но сложная для компьютера, так как различное освещение и погодные условия мешают ему распознать разметку.

В браузерной игре человек должен исправлять все ошибки движущегося транспортного средства. Затем эти исправления поступают в сеть, и компьютер учится анализировать дорогу. В результате Driverseat успешно учится у большого числа людей.

В качестве теста ученые испробовали алгоритм на новом для компьютера участке карты. Оказалось, что машина хорошо справляется с идентификацией полос при поворотах и даже когда разметку частично загораживает другой автомобиль. А вот съезды с дороги компьютер опознает еще с трудом, да и падающие на дорогу тени (например, под мостами) серьезно мешают движению.

Разумеется, система еще далека от совершенства. Но сам метод «карудтичинга», позволяющий машине учиться у живых людей, продемонстрирован нам впервые. «Мы показали, что можем интегрировать человеческие знания и опыт поведения на дороге, чтобы „научить“ машины водить», — сказал Раджпуркар.

Эта работа имеет и более широкий спектр применения — существует множество простых для человека задач, очень сложных для машины — умываться, кормить ребенка, гладить одежду. Без баз данных им никогда не научиться этому. Если метод Раджпуркара и его команды будет работать, люди смогут быстрее обучить машины всему, что знают и умеют сами.

Загрузка...